No abstract

ÖZET: Yapay zekânın hayatımıza girmesiyle tarım alanında yapılan yapay zekâ uygulamaları oldukça popüler hale gelmiştir. Tarım alanında karşılaşılan bitki hastalıkları üzerinde durulması gereken önemli bir konu olup bu problemin çözümü için yapay zekâdan yardım alınmaktadır. Çalışmada, elma bitkisindeki uyuz, siyah çürük ve pas hastalığına sahip yaprakların yapay zekâ ile tespiti için evrişimsel sinir ağları (CNN) mimarileri kullanılmıştır. Çalışmada kullanılan CNN içerisinde yer alan AlexNet, DenseNet-121, ResNet-34, VGG16-BN ve Squeezenet1_0 mimarilerinin karışıklık matrisine göre performansları değerlendirilerek en iyi doğruluk, duyarlılık, özgüllük ve F-skor değerleri bulunmuştur. Sonuç olarak test veri seti için yapay zekâ ile elma bitkisindeki hastalık tespitinde en iyi modelin duyarlılık, özgüllük, doğruluk ve F-skor için sırasıyla %97,64, %99,54, %99,52, %98,62 değerleri ile ResNet-34 olduğu belirlenmiştir.

Günümüzde teknolojinin hızla gelişmesi ile birlikte yapay zekâ teknikleri de yaygın bir şekilde kullanılmaktadır. Yapay zekâ yöntemleri mühendislik uygulamaları, eğitim, savunma sanayi gibi birçok alanda sıklıkla kullanılmaktadır. Yapay zekânın önemli kullanım alanlarından birisi de sağlık sektörüdür. Sağlık sektörü alanında gerçekleştirilen bu çalışmada açık erişimli bir internet sitesinden (kaggle) elde edilen veri seti kullanılmıştır. Veri seti üzerinde yapay zekâ yöntemleri kullanılarak kalp hastalığının tespiti gerçekleştirilmiştir. Çalışma kapsamında, Random Forest yöntemi ve Parçacık Sürü Optimizasyonu kullanılarak veri setinde yer alan 303 bireyin kalp hastası olup, olmadığına dair sınıflandırma işlemi gerçekleştirilmiştir. Parçacık Sürü Optimizasyonu yöntemi kullanılarak özellik seçimi yapılmış olup rastgele orman yapay zekâ algoritması ile veri seti eğitilmiştir. Rastgele Orman sınıflandırma modeli; doğruluk, özgüllük, duyarlılık, kesinlik, F-ölçüsü, ROC eğrisi ölçütlerinden oluşan performans değerlendirme kriterlerine göre başarı oranı incelenmiştir. Değerlendirme sonucunda Rastgele Orman sınıflandırmanın %86.88 doğruluk, %85.71 özgüllük, %87.87 duyarlılık, %87.87 kesinlik ve %87.87 F-ölçüsü değeri ile başarılı tahmin gerçekleştirdiği belirlenmiştir.

In this study, a sample part is manufactured by using the Powder Bed Fusion (PBF) method with maraging steel metal powder, and the manufactured part is examined in terms of dimensional accuracy by image processing techniques. The sample =art is drawn with various geometric shapes so that dimensional and areal controlling with the image processing techniques can be performed accurately. The purpose of dimensional control is to choose the most suitable manufacturing parameters to ensure the closest production of the real dimensions of the part. With the detection of significant deviations in dimensional values by image processing techniques, the designs of the part should be changed according to these deviations. In this study, each layer of the manufactured sample part image is captured by a camera. Afterward, dimensional and areal percent error rates are determined by three different methods based on image processing techniques.

Today, with the rapidly advancing technology, the importance of image processing techniques is increasing. Image processing is used in many areas from facial recognition to plant disease identification. One of the important image processing stages is the filtering stage used for smoothing images and object detection. Among these filtering techniques, basic filtering techniques such as mean, median and Gaussian are used in image processing. However, these filtering techniques are known to be insufficient to achieve the desired results in some cases. In this study, a new hybrid filtering approach named Mean-Median-Gaussian (MMG) is presented using these three basic filtering techniques. It has been demonstrated that the obtained MMG hybrid algorithm gives more successful results than these three basic filtering techniques in smoothing the images and determining the boundary lines.